【编者按】 过去十年，人工智能重塑了视觉和语言；下一个十年，它正在走向物理世界。具身智能、机器人、自动驾驶——所有走进物理世界的智能体，都需要一双可靠的”眼睛”。在这场变革中，一个低调多年的传感器正在走到台前：毫米波雷达。当特斯拉以” 光子进入，控制输出 ”重新定义视觉感知时，雷达领域也在酝酿自己的答案——“ 电磁波进入，语义输出 ”。

近日，承泰科技联合创始人、CTO周珂先生接受了SuperRadar社区的专访，系统阐述了他对"AI雷达"的思考与主张。

作为一名深耕雷达行业十年的从业者，他的讲述既有技术人的严谨，也有布道者的热忱。

01 AI雷达 VS 传统雷达

问：最近"AI雷达"这个词在行业火了起来，在您看来，什么是AI雷达？它和我们熟悉的传统雷达，本质区别在哪里？

周珂： 这是一个很好的起点问题，因为概念不清，讨论就会失焦。

一句话概括：AI 雷达简单说是 AI 赋能的雷达，准确说是支持 AI 模型部署、由模型定义功能的雷达。

传统雷达的功能，是工程师把人工设计的算法和硬性规则写进固件，出厂那天功能就定格了；

而 AI 雷达的功能，是由可以训练、迭代的 AI 模型来实现的，并且模型可以部署、替换、持续训练升级，这一切都能够由开发者自己来定义。

从技术底层看，这个区别会更加清晰。传统雷达遵循一条几十年不变的级联信号处理链：ADC采样、2D-FFT、CFAR检测、DOA测角、聚类、跟踪、分类，一级一级往下传。

问题在于，每一级处理都是工程师对物理世界的”简化假设”

• 假设目标符合点模型

• 假设噪声服从高斯分布

• 假设多径可以被滤除

但真实世界从不按假设运行。每一级都在丢失信息，每一级都在引入假设误差，这些“简化假设”级联下来就是累积误差和传统雷达能力天花板。AI雷达走的是另一条路：让数据自己说话。

模型直接从原始信号中学习最优表征，信息无损传递、特征自学习、追求全局最优而非局部最优。

马斯克的形容是”光子进入，控制输出”。

AI雷达的答案，是”电磁波进入，语义输出”。

我们不再教雷达”如何看”，而是让雷达”自己学会看”。

我来做个类比，便于大家理解，网络领域有软件定义网络 SDN ，汽车领域有软件定义汽车 SDV ，雷达领域也有过软件定义雷达 SDR 的概念。

现在，进一步发展为模型定义雷达 MDR ，Model-Defined-Radar就是我们所说的 AI 雷达，叫 AI 雷达更浅显易懂，便于理解。

AI 模型现在是比较通用的技术，AI 雷达引入 AI 模型后，降低了雷达开发的门槛，AI 雷达把雷达开发从少数算法专家的专业技术，变成可以广泛参与的通用技术。

02 相互成就： 从4D到 AI 雷达

问：现在行业里4D成像雷达也很热，它和 AI 雷达是一回事吗？

周珂： 这不是一回事，毫米波雷达技术在高速发展，短时间内爆发出太多的名词，容易让人产生混淆。同时这也是好事，说明我们的行业在快速的进步。

我的理解是：4D成像雷达解决"看得清"，是硬件能力的升级；

AI 雷达解决"看得懂、迭代得快"，是开发范式的变革。

两者不是竞争关系，反而相互成就——高清数据为模型提供养料，模型让高清数据产生价值。

4D成像雷达把路修宽，AI 雷达让路上跑起车来。

03 软硬件解耦如何打破雷达封闭生态

问：您刚才反复讲到"参与"——让更多人来参与雷达的开发。要做到这一点，光有模型恐怕不够，雷达本身要发生什么变化？

周珂： 你抓到了关键点：需要软硬件解耦，这是 AI 雷达的另一个支柱。

软件和模型开发者面向应用需求独立开发，硬件交给专业厂家，这样就形成了类似 PC 产业的分层分工——在通用硬件的基础上，独立开发面向不同场景的应用模型，雷达要从封闭生态走向开放生态。

过去研发一款雷达产品，开发者必须同时具备硬件、软件、射频、算法的能力，只有少数企业和科研机构玩得起。

软硬件解耦之后，不必组建庞大的全领域研发团队，不必购置昂贵的射频研发环境，更多团队和个人就能参与进来。

《周易》讲"穷则变，变则通，通则久"，毫米波雷达行业走到今天，正需要这样一次"变"。

04 天时地利:AI雷达时代已到来

问：为什么AI雷达直到现在才出现？早几年为什么不行？

周珂： 因为几股力量直到此刻才真正汇聚到一起。我把它总结为”一个需求牵引，三个技术拐点”。

需求牵引是物理AI的爆发

具身智能、机器人大发展，感知需求从”看得见”升级为”看得懂”，而跨越这道门槛的钥匙正是AI模型。

而且物理AI必然遭遇雨雾烟尘、逆光闪光、透明障碍物这些复杂环境的感知挑战，雷达感知的需求，是被时代推到了台前。

数据拐点

雷达感知的高清化,毫米波雷达这几年在探测精度和分辨率上实现了数量级的飞跃，点云可以高达每帧数千至数万点，真正成为成像雷达，单帧数据量已达到激光雷达级别。

高清数据是 AI 的口粮——与其用人工算法把信息压缩丢弃，不如让神经网络直接从原始数据中学习最优表征。

这个基础，现在才具备。

算力拐点

算力拐点同时发生在两端，一端在雷达本体：雷达自身的内存和算力有了千百倍提升，端侧具备了部署AI模型的硬件环境。

另一端在系统架构：以汽车为例，电子电气架构正从分布式ECU走向中央计算加区域控制，整车演变成”移动的数据中心”，中央计算单元提供数百乃至上千TOPS的AI算力。

雷达的原始数据可以通过车载高速网络直传域控，大型模型在中央端实时运行。

多个雷达节点的原始数据甚至可以相干融合、联合处理，实现虚拟孔径扩展与全局优化——这是过去各自为战、算力孤立的”智能雷达”永远无法做到的。

雷达终于摆脱了单体算力这个物理枷锁。

算法拐点

AI技术的平民化，以及基础模型证明的跨模态能力。

模型能力持续增强、算力成本持续下降，PyTorch、ONNX这些开源工具链成熟了，训练模型不再是少数机构的特权。

同时，GPT、ViT、Occupancy Network这些基础模型，已经证明了端到端学习在感知任务上的压倒性优势；

把这些架构迁移到雷达数据域，路径已经清晰。

需求在牵引，数据、算力、算法三个条件同时具备，AI雷达也就顺势而生了，并且一定是：广阔天地、大有作为。

05 AI雷达正迎来“ImageNet”时刻

问：您能否对比视频AI的发展，来预判AI雷达的路径？这个类比靠谱吗？

周珂： 我认为这是最生动的一个类比。

回顾计算机视觉的历史：2012年 AlexNet 在 ImageNet 竞赛上一鸣惊人，那是视觉AI的" ImageNet 时刻"——此后短短十年，图像分类、目标检测、语义分割逐一突破，直到今天的大模型理解、生成图像。

大家看到的是模型突飞猛进，但容易忽略两个前提条件：一是高质量标注数据的积累，ImageNet 本身就是这个前提；二是工具链的普及，让千万开发者能够参与。

雷达现在正站在类似的门槛上，学术界其实早就给出了很多尝试。

卡内基梅隆团队用 100 万帧原始雷达数据预训练出首个毫米波雷达“基础模型”，一套模型可微调复用到检测、分割等多种任务，证明雷达感知也能走视觉走过的“海量数据+预训练”之路；

谷歌的 Soli 项目，更是把毫米波雷达装进了 Pixel 手机，隔空挥挥手就能操作；

这两年，还有学者用雷达不接触身体就测出了心电信号；

最近机器人领域的顶级会议上，甚至有工作能让自然语言直接指挥4D雷达——你说"找到那个正在走路的人"，雷达真能听懂。

这些研究说明，雷达与AI结合的天花板，远比我们想象的高。

但我想强调一句：学术演示到产业爆发之间，隔着数据、工具和生态。

视觉AI的爆发不是因为某一天模型突然变聪明了，而是因为千万开发者手里有了数据、工具和平台。

这正是承泰想为雷达行业补上的东西。

06 更开放的雷达开发模式

问：具体到开发者，AI 雷达的开发形态会是怎样的？普通开发者如何切入？

周珂： 我们认为 AI 雷达的发展会分为三个阶段或者说三个层次，能力逐步深化。

初级是点云外置处理：雷达通过标准接口输出点云，开发者在外置处理器上读取点云，训练和部署 AI 模型。这个门槛最低，大多数开发者可以从这里切入。

中级是模型上机部署：开发者直接在雷达内置的计算单元上部署模型，点云等数据通过API获取。系统集成度更高、成本更低、实时性更好。这是承泰当前主推的形态。

高级是原始信号开放：开发者直接通过高速数据接口获取原始雷达信号，探索更深入的模型创新，比如微动特征、非视距感知这些前沿方向。这面向科研机构和有深度研发能力的团队。

生态越成熟，走向深水区的开发者越多。

就像视觉领域，大多数开发者调用成熟的视觉模型，少数团队去研究底层架构，两者相互支撑，缺一不可。

07 AI 雷达的核心能力

问：说得再具体一点，AI雷达相比传统雷达，性能和能力上到底能好多少？

周珂：我列几个关键维度。

1) 信息利用

传统雷达只使用人工设计的特征——距离、速度、角度、RCS；

AI雷达利用原始信号中的全部电磁信息，包括微多普勒特征、极化信息、散射中心分布这些传统特征工程永远无法触及的维度，信息利用是数量级的提升。

2) 角分辨率

传统雷达受物理孔径限制，也就是瑞利极限；

AI雷达可以通过超分辨学习突破物理孔径，带来数倍的分辨率提升。

由此带来一个直接价值：小目标检测。传统雷达里，小目标容易被大目标的旁瓣和杂波淹没；端到端优化可以让雷达在大目标旁边依然看清小目标。

3) 输出能力的升维

传统雷达输出的是”点目标”——距离、速度、角度；

AI雷达输出的是”语义实体”。它不会告诉你”这里有一个反射点”，而会告诉你”这是一辆正在减速的轿车”；

不会只说”前方有移动目标”，而会说”这是一个奔跑的儿童，预计1.2秒后进入车道”；

甚至能判断”这不是障碍物，是被风吹动的灌木丛，可以通行”。

4) Free Space可通行区域

传统雷达告诉你”前面有东西”，AI雷达告诉你”哪里可以走”——区分低矮障碍物与路面起伏以避免误刹，识别积水、结冰、沙石路面并估计附着系数，在完全黑暗或暴雨中绘制可通行走廊。

这在传统架构里只能靠后处理推断，AI雷达是端到端原生输出。

5) 语义 SLAM 雷达开始具备”记忆”

它能把雷达回波的纹理特征——护栏样式、路面接缝、建筑立面——编码为语义路标，在GPS拒止的环境下实现高精度定位；

回到同一个地方，它能”认出”这个场景，调取历史语义地图进行融合；

还能自动标记施工区域、临时障碍、路面变化，让语义地图实时演化。

6)工程效率

传统雷达调参周期以周计，AI雷达数据驱动的训练以天计；

增加一个新功能，过去要重新设计信号处理链，现在是新增一个任务头、做迁移学习，即插即用。

恶劣天气下也是一样：传统雷达性能下降、虚警增加，数据驱动让雷达对雨雾雪自适应，鲁棒性成倍提升。

08 物理AI时代来临，AI雷达蓄势待发

问：如果AI雷达充分发展，它会给行业带来什么改变？

周珂： 我概括为四个方面。

感知能力更丰富、更高阶

我们刚刚谈到了，过去因为硬件能力受限，弱信号、离散信号、多次反射信号、杂散信号都被过滤、压缩、丢弃了；

现在大算力、大内存让这些信号可以被保留、累积、利用；

所以AI雷达在信息利用上有了数量级的提升，可以支持语义输出，支持 Free Space可通行区域计算、SLAM局部定位和点云建图， Occupancy Map占用网格建图。

更多的人能参与雷达开发

过去做雷达，硬件、软件、射频、算法样样都得自己来，只有少数玩家。

解耦之后，开发者专注做模型和应用程序就行，硬件交给专业厂家——就像PC产业，没有人为了写一个软件去自己造电脑。

开发雷达从少数专家的独门手艺，变成大众掌握的通用技能，这个行业的智力供给会完全不一样。

一键部署，多场景适用

过去雷达应用受限，一是能力不够，二是开发投入大、周期长，很多需求一算账就放弃了。

现在技术基础具备了，加上雷达全天候工作、直接测量速度、不采集图像天然保护隐私这些特性，它是视觉感知不可或缺的补充——在具身智能、工业智能这些浪潮里，会有越来越多的需求爆发出来。

开发成本和上市周期会大幅下降

通用硬件规模化量产，成本自然摊薄；

模型可以复用、可以迭代，产品开发从"一次性工程"变成"持续演进"；

产品卖出去了，还能通过 OTA 不断升级雷达能力——一次硬件部署，长期能力增长。

感知更丰富、人才更广泛、场景更多样、成本更低——AI雷达会带来雷达行业新一轮的百花齐放。

09 物理AI需要多模态融合感知

问：您前面几次提到具身智能等物理AI的发展对AI雷达的需求和促进，能具体说明一下两者的关系吗？

周珂： 分几方面讲。首先讲需求。我们前面说明了一些特殊工况场景，雨雾烟尘、逆光闪光、透明障碍物这些场景，需要毫米波雷达的全天候能力；

对响应速度要求高的场景，需要毫米波雷达的直接测速能力；注重隐私的场景，需要雷达的不采集图像的能力。

除了这些必须的场景，还有一点很重要，就是具身智能这类物理AI，多数情况是要与人类一同协同工作的，这就产生一个非常重要的需求，就是安全的需求，不能伤人。

对于安全的需求，有一种方法就是增加感知设备，不只是要有摄像头的视觉感知，还要增加毫米波雷达等多样性的感知手段，就像人类感知世界不只依靠眼睛，还要有耳朵、鼻子甚至寒毛，这样才能全面的了解外部世界。

所以说雷达感知是视觉感知的必要补充。

然后讲融合感知。具身智能这样的物理AI，都是拥有一个超强算力的中央计算单元。

对于人类，眼睛和耳朵是感知器官，大脑才是负责将感知到的信息统一进行计算处理作出决策的。

在具身智能中是一样的，摄像头、雷达（准确的说是雷达前端单元）都是感知单元，计算单元是具身智能的中央处理器。

也就是感知+计算，两者是分离的。

现在的汽车要支持智能驾驶，可以认为汽车也是一种 AI 机器人，也是一种物理 AI，只是现阶段的 AI 能力重点体现在自动驾驶上。

汽车智驾，毫米波雷达是必配，智驾需求是毫米波雷达的能力取得突飞猛进的进步的最重要原因。

在汽车雷达上，有一个新名词叫卫星雷达，也叫中央计算雷达，它就是实现了感知、计算的分离。

在卫星雷达架构中，前端感知单元将采集到的雷达原始信号，准确的说是电磁信号的 ADC 采样数据，直接发送给作为后端计算单元的中央域控处理器。

中央域控处理器，将接收到的雷达原始信号、光学信号做多模态融合感知处理。

为什么要多模态融合感知呢？

说起来也是第一性原理，人类大脑是统一处理多个感官的信息的，那么物理 AI 中，中央计算处理器也要统一处理多个传感器的信息，这样才能全面了解外界变化、快速决策处理。

我们前面谈到了，AI 雷达功能开发上，要做软硬件的解耦。

这里又谈到，AI 雷达功能分布上，存在感知和计算的分离。

从产品形态上讲，如果 AI 雷达需要独立处理信息并给出结果，那么它就同时包含前端感知单元和后端计算单元，这种产品形态在汽车行业称之为边缘雷达。

如果要做多模态融合感知，那AI雷达就要做硬件的拆分，雷达只保留前端感知单元，只负责电磁信号的发送、接收、采样，将电磁信号的 ADC 采样数据，交由中央计算控制器统一计算和处理，这种产品形态在汽车行业称之为卫星雷达。

不管是边缘雷达，还是卫星雷达，只要部署了 AI 模型做雷达信号和数据的处理，就是 AI 雷达。

承泰是业界第一家量产卫星雷达的供应商，已经实现了百万量级的交付。

正因如此，我们也对AI雷达在具身智能等物理 AI 场景的大规模应用满怀信心。

我们还推出了 AI 超级雷达架构和开发平台，在硬件上将前端感知单元，进一步拆分为天线模块和射频模块，实现天线模块、射频模块、计算模块三分离，无论是开发边缘 AI 雷达，还是开发卫星 AI 雷达，都可以基于 AI 超级雷达开发平台进行开发。

10 不忘初心 方得始终

问：作为一家雷达企业，你们为什么要如此大力地推动 AI 雷达？

周珂： （笑）说实话，既有理性也有情怀。

理性地看，我们相信AI雷达必然蓬勃发展：雷达结合 AI 模型可以做过去做不了的事情，物理AI大发展必然产生大量雷达感知需求，需求和方案相互促进。

但另一方面，我们也确实着急——需求端很迫切，供给端却跟不上。雷达研发过去是小众行业，参与的力量少，传统开发模式难度大、周期长、投入高。

这个行业需要一支生力军，而 AI 雷达带来的开放生态，恰恰能把这支生力军动员起来。

情怀地看，我在雷达行业做了十年，对这门技术有感情。

推动 AI 雷达发展，是情怀，更是行业领军者的责任。

我们是长期主义者——既是布道者，也是共建者和受益者。我们的收益来自把行业蛋糕做大，而不是守卫技术壁垒。

生态繁荣了，所有参与者都会受益，承泰愿意先投入、多投入。

11 躬身入局：建设AI雷达生态基座

问：承泰具体是怎么做的？

周珂： 三件事。

超级雷达开发平台

首先是推出适合 AI 模型部署的超级雷达架构和开发平台。

• 我们实现了天线模块、射频模块、计算模块的三分离架构，三者独立替换、灵活组合；

• 支持 47/157 大算力、4GB/8GB大内存，满足模型上机部署的要求；

• 不同TR通道数的超级雷达的点云密度可达每帧数千到上万点；

• 同时开放SDK、文档与示例，支持从点云读取到模型部署的全流程。

SuperRadar 开发者社区

然后是运营 AI 超级雷达社区——SuperRadar 社区，聚合行业内外的力量共建 AI 雷达生态。

让行业内、行业外的人士了解 AI 雷达、理解 AI 雷达、投入 AI 雷达；同时推动点云数据格式与模型接口的标准化，降低生态伙伴的集成与迁移成本——"开放"必须落到实处，才有公信力。

AI训练数据集

最后是解决AI模型训练面临的雷达数据问题，这可能是当前最要害的一件事。

今年华南理工大学团队在IEEE IoT Journal发表的一篇综述得出一个判断，我很认同：毫米波感知的下一个瓶颈，不在模型架构，而在高质量数据集和标准化评测。

没有标注好的雷达数据，一切模型都无从谈起。

AI时代数据是算法的养料，高质量的数据是驱动算法快速迭代升级的必经之路，承泰正努力并带动产学研用多方面的力量共同来生产开源的高质量场景化标注雷达数据，助力AI雷达迎来ImageNet时刻；

承泰从两方面入手：

• 硬件上我们开发了雷视融合一体机，将雷达信号和图像信号共同输入统一计算模块，让视频模型辅助雷达数据标注——用视觉的长板，补雷达数据的短板

• 软件上，我们正在训练自己的雷达数据标注模型，实现雷达数据的自动化标注。

我们也会基于这些软硬件推出数据采集平台和雷达真值系统，通过视觉和雷达融合标注，推动数据集的通用化、标准化；

搭建雷达标注数据开源平台，带动各方力量共同参与雷达数据标注，为模型训练提供统一的标准数据集，提速AI雷达在各行各业的价值落地。

英伟达的CUDA依然是AI模型最方便的开发和部署平台。

超级雷达基于CUDA工具链，可以让雷达信号处理像图像信号处理一样快速方便，输出标准雷达数据，快速接入AI模型，降低开发难度、减少开发周期。

未来我们还将推出多厂家、多算力规格的计算单元，应用于不同需求的AI雷达。

AI雷达会让机器"看懂"立体的物理世界

问：如果用一句话展望AI雷达的未来，您会说什么？

周珂： 视觉 AI 用了十年，让机器"看懂"了平面世界；我相信AI雷达会让机器"看懂"立体的物理世界——全天候、可测速、懂语义。

AI雷达的终极形态，不是更精确的雷达，而是更聪明的雷达。它不再是一台”测量仪器”，而是一个”感知智能体”——理解场景、预测行为、记忆地图、适应环境。它让电磁波拥有语义，让毫米波拥有智慧。

当行业还在争论”激光雷达还是纯视觉”时，AI雷达正在开辟第三条道路：不是用更多的传感器，而是用更智能的传感器；

不是堆叠硬件，而是释放数据的全部潜能。

我们希望与更多同行者一起，共建AI雷达生态，推动AI雷达应用，创新AI雷达市场。

道阻且长，行则将至。

（本文根据专访内容整理，经受访者审阅。）